Introduction of GRACE program required for COVID-19 disaster - especially for exhausted healthcare workers
Notice bibliographique
Résumé
The global pandemic of COVID-19 has exhausted many citizens around the world, especially health care workers. In times like these, mindfulness and compassion are necessary to heal many people. GRACE is a program that healthcare professionals can easily use in clinical practice. This program was developed by Roshi Joan Halifax, Ph.D., a Buddhist teacher, Zen priest, anthropologist, Cynda Rushton, the Bunting Chair of Ethics at Johns Hopkins University, and Professor Tony Back, a palliative care physician and medical oncologist at the University of Washington to prevent burnout among medical professionals. G.R.A.C.E. was developed in response to the deficit of compassion in the world today. The G.R.A.C.E. process includes the following five steps. G: Gathering attention and Grounding, R: Recalling intention, A: Attuning to self and other, C: Considering what will serve, E: Engaging and ending. G.R.A.C.E. is a tool for anyone, especially those in leadership roles or helping professions, such as medical workers, teachers, human rights workers, and more. In Japan, we invited three of the developers to hold training sessions since 2015. We held an annual conference every year, and monthly study sessions, in Tokyo and Osaka. Currently, we are planning to translate the online course developed in the US into Japanese and use it for training. In this presentation, we will report on the spread of G.R.A.C.E. in Japan, along with an overview of G.R.A.C.E.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,082 | 0,027 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».